MétaCan
Menu
Retour à la cohorte
Enregistrement W4376877027 · doi:10.1111/1475-679x.12488

2022 Excellence in Refereeing

2023· article· en· W4376877027 sur OpenAlexaboutno aff

Notice bibliographique

RevueJournal of Accounting Research · 2023
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueImpact of AI and Big Data on Business and Society
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMiamiColumbia universityPerformance studiesMatriculationClinical neuropsychologyLibrary scienceExcellenceState (computer science)Liberal arts educationStrategic studiesAsian American studiesSociologyMedia studiesHigher educationPolitical scienceLawMedicine

Résumé

récupéré en direct d'OpenAlex

The Journal of Accounting Research is proud to recognize our top referees of the previous calendar year. The senior editors selected those named below for their “2022 Excellence in Refereeing” based on the quality and the number of reviews they had performed for the journal during the 2022 calendar year. We thank the referees for their invaluable services to the journal. Jannis Bischof, University of Mannheim Matthew Bloomfield, University of Pennsylvania Pietro Bonetti, IESE Business School Thomas Bourveau, Columbia University Mark Bradshaw, Boston College Matthias Breuer, Columbia University Jung Ho Choi, Stanford University Yiwei Dou, New York University Raphael Duguay, Yale University Travis Dyer, Brigham Young University Henry Eyring, Duke University Fabrizio Ferri, University of Miami Henry Friedman, University of California, Los Angeles Stephen Glaeser, University of North Carolina João Granja, University of Chicago Nicholas Guest, Cornell University Steven Kachelmeier, University of Texas, Austin John Kepler, Stanford University Sehwa Kim, Columbia University Ranjani Krishnan, Michigan State University Lian Fen Lee, Boston College Miao Liu, Boston College Yao Lu, Cornell University Daniele Macciocchi, University of Miami Charles McClure, University of Chicago Mihir Mehta, University of Michigan Maximilian Muhn, University of Chicago James Omartian, University of Michigan Gaizka Ormazabal, IESE Business School Hong Qu, Kennesaw State University Thomas Rauter, University of Chicago Delphine Samuels, University of Chicago Timothy Shields, Chapman University Nemit Shroff, MIT Lorien Stice-Lawrence, University of Southern California Stephen Stubben, University of Utah Andrew Sutherland, MIT Sorabh Tomar, Southern Methodist University Rahul Vashishtha, Duke University Felix Vetter, University of Mannheim Dushyantkumar Vyas, University of Toronto Charles Wang, Harvard Business School Clare Wang, University of Colorado, Boulder Edward Watts, Yale University TJ Wong, University of Southern California Gaoqing Zhang, University of Minnesota Frank Zhou, University of Pennsylvania Christina Zhu, University of Pennsylvania Luo Zuo, Cornell University

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,047
score de la tête « metaresearch » (Gemma)0,015
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesMétarecherche
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,470
Score d'incertitude au seuil0,993

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0470,015
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,005
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,469
Tête enseignante GPT0,545
Écart entre enseignants0,076 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Accounting ResearchMême sujetImpact of AI and Big Data on Business and SocietyTravaux en français237 207